Inferencia bayesiana computacionalmente eficiente para modelos conjuntos semiparamétricos de supervivencia de riesgos...

Área de la Ciencia:

• Estadísticas biológicas
• La informática médica
• Epidemiología

Sus antecedentes:

• El modelado conjunto analiza los biomarcadores longitudinales y los resultados de supervivencia simultáneamente, lo que es crucial para las intervenciones de salud pública.
• Los modelos existentes son computacionalmente intensivos, especialmente para los riesgos competidores y los datos longitudinales sesgados.
• Hay una investigación limitada sobre el modelado conjunto de riesgos competitivos, supervivencia y datos longitudinales sesgados utilizando Aproximaciones de Laplace Anidadas Integradas (INLA).

Objetivo del estudio:

• Presentar un enfoque de inferencia computacionalmente eficiente para el modelado conjunto de la supervivencia de riesgos competidores y datos longitudinales sesgados.
• Permitir una rápida toma de decisiones en entornos clínicos y epidemiológicos mediante métodos estadísticos eficientes.

Principales métodos:

• Se desarrollaron modelos conjuntos de riesgos específicos de la causa con submodelos longitudinales semiparamétricos de efectos mixtos y riesgos de caminata aleatoria.
• Modelos reformulados como modelos gaussianos latentes para la inferencia bayesiana eficiente utilizando INLA.
• Comparó INLA con Markov-Chain Monte-Carlo (MCMC) utilizando los paquetes R de INLAjoint y R2WinBUGS, evaluando varias líneas de suavizado, distribuciones y estructuras de asociación.

Principales resultados:

• Evaluación de la eficiencia computacional y el rendimiento de la estimación utilizando datos de enfermedad renal crónica (ERC) y estudios de simulación.
• Modelos comparados con diferentes especificaciones para el alisado de las espinas, las distribuciones sesgadas y las estructuras de asociación.
• Tanto el INLA como el MCMC proporcionaron estimaciones e inferencias estadísticas precisas.

Conclusiones:

• Las Aproximaciones de Laplace anidadas integradas (INLA) reducen significativamente la carga computacional para modelos conjuntos de supervivencia de riesgos competidores y datos longitudinales sesgados.
• El enfoque INLA propuesto garantiza una inferencia estadística sólida y una estimación precisa, particularmente beneficiosa para la investigación médica compleja.